ניהול תמונות משולב, בינה מלאכותית (AI) ומערכות דיווח חוללו מהפכה בפרקטיקה של פתולוגיה אבחנתית. במאמר זה, אנו מציגים את FlexLIS, מערכת חדישה המאפשרת לבינה מלאכותית לסייע לפתולוגים בביצוע הערכות תמונה היסטופתולוגיה והפקת דוחות אבחון.
מאמר שיטה
היכרות עם מערכת משולבת לניהול תמונות פתולוגיה, בינה מלאכותית ודיווח
נפתח בלשונית חדשה
במאמר זה
סיכום
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
תקציר
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
הפיתוח של מערכות דיווח אלקטרוניות (LIS), מערכות ניהול תמונות (IMS) ומודלים של בינה מלאכותית חולל מהפכה בפרקטיקות הפתולוגיה. על ידי שילוב IMS מתקדם ואלגוריתמים מתוחכמים של AI, מערכות אלו מייעלות עוד יותר את תהליך האבחון, ומאפשרות אבחונים מדויקים ויעילים יותר. FlexLIS היא תוכנת פתולוגיה דיגיטלית מתקדמת המשלבת מודלים של בינה מלאכותית לניתוח תמונות ותמלול התוצאות שנוצרו על ידי בינה מלאכותית לדוחות פתולוגיה מקיפים. מערכת משולבת בינה מלאכותית זו יכולה גם לתמוך בבקרת איכות (QC), להזמין כתמים מיוחדים למקרים מאתגרים ולהקל על התייעצויות. כתוצאה מכך, יש לו פוטנציאל לשפר את דיוק האבחון וזרימת העבודה של הפתולוגים. במאמר זה, אנו מספקים פרוטוקול תמציתי לפתולוגים כיצד להשתמש בתוכנה כדי לסקור תמונות שקופיות ולהפיק דוחות פתולוגיה. אנו דנים גם ביישומה באבחון סרטן הערמונית באמצעות ביופסיית ליבת מחט הערמונית ובדיקת סרטן שלפוחית השתן באמצעות ציטולוגיה של שתן, ומציגים את הרבגוניות וההשפעה של הפלטפורמה בפרקטיקות קליניות.
מבוא
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
פתולוגיה אבחנתית היא מומחיות רפואית חשובה המבצעת אבחון של מחלות על ידי בדיקת רקמות המתקבלות ממטופלים. דגימות רקמה מעובדות, וחלקים דקים של רקמה מונחים על שקופיות זכוכית, אשר לאחר מכן מוכתמות בכימיקלים כגון המטוקסילין ואאוזין (H&E). באופן מסורתי, פתולוגים בוחנים רקמות צבעוניות על שקופיות זכוכית תחת מיקרוסקופים ומוציאים דוחות אבחון באמצעות תוכנת מחשב, כלומר מערכות מידע מעבדתיות (LIS; איור 1A). בעשור האחרון, פתולוגיה דיגיטלית הוכנסה בהדרגה לפרקטיקה הפתולוגית, שבה שקופיות זכוכית עברו דיגיטציה על ידי סריקת שקופית הזכוכית כדי לייצר תמונת שקופית שלמה (WSI)1. פתולוגים צריכים רק לסקור תמונות שקופיות באמצעות מערכת ניהול תמונות (IMS) כדי לעבד אבחנות, מה שמשפיע באופן משמעותי על זרימת העבודה של תרגול הפתולוגיה (איור 1B). לאחרונה, בינה מלאכותית (AI) עם למידת מכונה עמוקה של תמונות היסטופתולוגיה דיגיטליות מספקת הזדמנות פוטנציאלית לשפר את דיוק האבחון והיעילות של פתולוגים 1,2.
בשל הכנסת ופיתוח של LIS, IMS ו-AI פתולוגיה בתקופות זמן שונות, מערכות אלו מסופקות על ידי ספקים שונים ומתפקדות באופן עצמאי. נכון לעכשיו, פתולוגים צריכים לעבוד עם שתי מערכות נפרדות, כלומר, LIS לדיווח על אבחנות ו-IMS לסקירת תמונות1. יתר על כן, דגמי AI הנוכחיים נועדו לעבוד טוב יותר עם IMS אך לא עם LIS3. חוסר ההתאמה של LIS, IMS ו-AI משפיע באופן משמעותי על הפיתוח והיישום של פתולוגיה דיגיטלית ומודלים של AI בפרקטיקה הפתולוגיה השגרתית. אידיאלי וחשוב שתהיה מערכת משולבת המשלבת LIS ו-IMS כך שבינה מלאכותית תוכל לסקור תמונות ב-IMS ולהפיק דוחות פתולוגיה ב-LIS.
לכן, מטרתנו היא לפתח מערכת LIS/IMS/AI משולבת מבוססת ענן המאפשרת לפתולוגים לגשת לתמונות ולהוציא דוחות בכל זמן ובכל מקום. יתר על כן, מודלי הבינה המלאכותית מקיימים אינטראקציה חלקה בין IMS ל-LIS כך שניתן לתמלל את תוצאות הערכת הבינה המלאכותית של תמונות ב-IMS לדוחות הפתולוגיה ב-LIS באופן אוטומטי. פתולוגים צריכים רק לסקור את התמונה ב-IMS ולאשר את האבחנה ב-LIS ללא קלט ידני. במאמר זה, אנו מציגים את הפרוטוקול לפתולוגים לשימוש ב-FlexLIS ומדגימים את היישומים בעולם האמיתי של ניתוח ודיווח תמונות בסיוע בינה מלאכותית באבחון סרטן הערמונית וציטולוגיה של שתן לבדיקת סרטן שלפוחית השתן.
פרוטוקול
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
FlexLIS תוכנן תוך הקפדה על תקני פרטיות נתונים ומסגרות רגולטוריות, כולל חוק היבילות ואחריות הדיווח של ביטוח בריאות (HIPAA). כל נתוני המטופלים המעובדים במערכת מוצפנים הן במנוחה והן במעבר באמצעות פרוטוקולים סטנדרטיים בתעשייה.
1. הגדרת חשבון
- פתח את דפדפן האינטרנט. הקלד המשך (איור 2). הודעת דוא"ל נשלחת למשתמש.
- עבור לדוא"ל ולחץ על הקישור כדי להיכנס, אשר יפתח את חלון רשימת ההצטרפות (איור 3).
2. דיגיטציה של שקופיות זכוכית
- הפעל את הסורק הדיגיטלי וטען שקופיות ויטראז' (כלומר, המטוקסילין ואאוזין) לתוך הסורק.
- לחץ על התחל כדי להתחיל בסריקה של שקופיות זכוכית. התמונות יועלו אוטומטית למערכת על ידי ממשק ישיר ומסודרות בפורמט מקרה כפי שפתולוגים רואים בדרך כלל במגש השקופיות.
3. ניתוח נתונים
- ראה את רשימת המקרים בחלון רשימת ההצטרפות (איור 3 ואיור 4) ואת התמונות המתאימות בחלון סקירת התמונות (איור 5 ואיור 6).
הערה: התוכנה משתמשת באמות המידה הבאות כדי לאמוד את שימושיות המשתמש: שיעור הצלחת משימה, זמן במשימה, שיעור שגיאות, מספר פעולות למשימה, סולם שימושיות המערכת (SUS) ושביעות רצון משתמשים באמצעות מחקרי משתמשים וראיונות. אנו משתמשים ב-Datadog לניטור משתמשים בזמן אמת (RUM) ולניטור שגיאות יישום. - בחלון רשימת ההרשמה, המשתמש רואה את רשימת המקרים שהוקצו (איור 3C). לחץ על כפתור החץ למטה בחזית המארז (PN24-00004) כדי לראות את הכתמים שהוזמנו על ידי הצוות והבינה המלאכותית (PIN4 במקרה זה). נקודה ירוקה על סמל המיקרוסקופ מציינת את השלמת ניתוח הבינה המלאכותית (איור 2C). נקודה אדומה לפני מספר ההצטרפות מציינת סרטן שזוהה בתמונה על ידי AI (איור 2C). נבדק/מוכן/סה"כ מציין את המספר הכולל של תמונות בכל קטגוריה. ה! סמן אחרי מספר התמונה מציין את הערכת הבינה המלאכותית של איכות התמונה (כלומר, תמונות חסרות או מטושטשות).
- לחץ על סמל המשתמש מול המארז PN24-00004 , אשר מביא את המשתמש לחלון סקירת הפתולוג (איור 4). כל הדגימות רשומות בסדר אלפביתי (איור 4B) בטבלת סיכום הדגימות. המשתמש רואה את תוצאות ניתוח הבינה המלאכותית עבור כל דגימה, כולל אבחון (שפיר, HGPIN, ASAP, סרטן) ותיאור (ציוני גליסון, אורך הגידול וקבוצת הכיתה; איור 4B). המשתמשים רואים גם את תוצאות הבינה המלאכותית בתרשים (סרטן אדום, כתום-בהקדם האפשרי ושחור-שפיר; איור 4B).
- לחץ על סמל המיקרוסקופ משמאל ל-B (איור 4B), הפותח את חלון סקירת התמונה (איור 5). המשתמש רואה את התמונה המתאימה בחלון סקירת תמונה נפרד (איור 5). המשתמש רואה גם הערות AI, הדגשות אדומות מצביעות על סרטן, והדגשות ירוקות מצביעות על Gleason 4 (איור 5).
- לחץ על C (איור 5A) כדי להציג תמונה C, לחץ על D כדי להציג תמונה D וכו'. לחץ על סמל משוב AI באיור 5C כדי לראות את הפרטים של יציאות AI (איור 6).
תוצאות
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
בחלק זה, מוצגים שני מקרי שימוש כדי להדגים כיצד הבינה המלאכותית יכולה לסייע לפתולוגים בהערכת תמונות ומתן תשומות אבחון.
אבחון סרטן הערמונית (איור 7): הערכה היסטופתולוגיה של ביופסיה של הערמונית עם סרטן, כולל אורך הגידול ואחוזו, ציוני גליסון (3, 4 ו-5), אחוז גליסון 4 ו-5 וכו'. מידע זה משמש לאחר מכן לסיווג חולים ל-4 קבוצות כיתה (1 עד 4), כאשר 4 הוא סרטן הערמונית האגרסיבי ביותר 4,5. מידע זה נדרש להיכלל בדוח הפתולוגיה; לכן, זוהי דוגמה מושלמת להמחשת אבחון פתולוגיה בסיוע בינה מלאכותית.
בדוגמה זו, שקופיות הזכוכית עם ביופסיית הערמונית הוכתמו בתחילה בהליך המטוקסילין-אאוזין (H&E). לאחר מכן השקופית המוכתמת עברה דיגיטציה כדי ליצור תמונת שקופית שלמה (WSI), שהועלתה למערכת באמצעות ממשק ישיר בין מחשב הסורק לתוכנה (איור 7). לאחר ההעלאה, מודל המופעל על ידי בינה מלאכותית מעבד את התווית, מזהה ומתייג כל ישות, כולל מקור הדגימה (כלומר, הערמונית) וסוג הצביעה (כלומר, H&E). מודל זה קובע אם התמונה היא ביופסיה של הערמונית המוכתמת ב-H&E. אם כן, מודל אחר מבוסס בינה מלאכותית מנתח את התמונה ומייצר משוב או פלטים על סמך הניתוח (איור 7A). מודל מבוסס בינה מלאכותית זה מסוגל גם להזמין מראש כתמים אימונוהיסטוכימיים PIN4 כדי לסייע לפתולוגים לאשר את נוכחותם של אזורי גידול קטנים (איור 3).
מודל זה הוכשר על למעלה מ-1700 תמונות שקופיות שלמות של הערמונית (WSI) שהיו מבחינת פיקסלים עם הערות על ידי צוות של פתולוגים מנוסים. בעקבות ביאור WSIs, מיושם מודל למידה עמוקה כדי לסווג אריחי רקמת ערמונית לארבע קטגוריות: שפיר, Gleason3, Gleason4 ו-Gleason5. כפי שמוצג באיור 5, פלטים מבוססי אריחים מצטברים ליצירת מסכת שקופיות שלמה המדגישה אזורים סרטניים: סרטן (אדום), Gleason4 (ירוק) ו-Gleason5 (כחול; איור 6). בנוסף למסכות אלה, מודל הבינה המלאכותית יצר תווית סופית (סרטן או שפיר) עבור ה-WSI של הערמונית. סיווג זה מבוסס על מאפיינים מורפולוגיים כגון האזורים של Gleason3, Gleason4 ו-Gleason5, הוודאות של מסכות Gleason3, Gleason4 ו-Gleason5 וגורמים אחרים. הביצועים של מודל הערמונית הנוכחי שלנו לגילוי סרטן הערמונית אושרו על ידי שימוש בקבוצה עצמאית של 1,000 WSIs שלא נעשה בהם שימוש במהלך פיתוח המודל או אימותו. כל שקופית בערכת האימות מסומנת כשפיר או סרטן. המודל המאומן גם מקצה תווית לכל שקופית כמתואר. על ידי השוואת תוויות האמת הקרקעיות עם תחזיות המודל, חושבו מדדי ביצועים כגון דיוק, רגישות, ספציפיות וציון F1, כפי שמוצג בטבלה 1. התוצאות מצביעות על כך שהמודל המאומן מתפקד באופן דומה למודלים אחרים של בינה מלאכותית של הערמונית6.
בנוסף לציוני גליסון, מודל הבינה המלאכותית מסוגל לקבוע את אורך הגידול ואחוזו, ואת קבוצת הדרגה (איור 7). יתר על כן, מודל הבינה המלאכותית מסוגל גם לחשב פתולוגיה מבוססת קבוצת סיכון של NCCN ומידע קליני אם מסופק (איור 7A). ב-FlexLIS, בינה מלאכותית מסוגלת לתמלל את כל המידע האבחוני לדוח הפתולוגיה, כך שהפתולוגים לא יצטרכו להזין אותו ידנית לדוח (איור 7B). למרות שכל תהליך הבינה המלאכותית הושלם ברקע ואינו גלוי לפתולוגים, תוצאות ניתוח הבינה המלאכותית ואותה תמונה גלויות לפתולוגים שיכולים להחליט לשמור או לשנות את תוצאות הבינה המלאכותית בדוח הפתולוגיה (איור 7B).
ציטולוגיה של שתן לבדיקת סרטן שלפוחית השתן: ציטולוגיה של השתן היא השיטה הלא פולשנית העיקרית לסקר, אבחון וניטור סרטן שלפוחית השתן7. ציטולוגיה של השתן מסווגת את החולים לארבע קטגוריות: שלילי לקרצינומה אורותליאלית בדרגה גבוהה, תאים אורותליים לא טיפוסיים, חשוד לקרצינומה אורותליאלית בדרגה גבוהה וקרצינומה אורותליאלית בדרגה גבוהה8. סקירת ציטולוגיה של שתן דורשת ניסיון ומיומנות והיא גוזלת זמן רב. לכן, בדיקת ציטולוגיה של שתן בסיוע בינה מלאכותית נדרשת מאוד. מקרה זה מציג הערכה של תא בודד על ידי AI.
בדיקת שקופיות ציטולוגיות בשתן יכולה להיות תהליך עתיר עבודה וגוזל זמן עבור פתולוגים. זה דורש סריקה קפדנית של שדות רחבים והתקרבות והתרחקות תכופה כדי לאתר תאים נדירים בעלי משמעות אבחנתית, לעתים קרובות דומים לחיפוש אחר מחט בערימת שחת. גישה ידנית זו לא רק דורשת זמן ומיקוד ניכרים, אלא גם תורמת לעייפות האבחון ולשונות פוטנציאלית בפרשנויות. כדי לייעל תהליך זה, פותח מודל ציטולוגיה של שתן מבוסס בינה מלאכותית המשולב ב-FlexLIS כדי לתמוך בפתולוגים על ידי זיהוי וסיווג אוטומטי של מגוון רחב של סוגי תאים בדגימות שתן. המודל מסוגל לזהות את הקטגוריות הבאות: HGUC (תאי קרצינומה אורותליים בדרגה גבוהה), חשודים (תאים אורותליים עם חריגות ניכרות המרמזות על ממאירות אך לא אבחנתיות באופן מוחלט), תאים אורותליים לא טיפוסיים, RBCs (תאי דם אדומים), גבישים, לימפוציטים, תאים פולימורפיים, נגיף פוליומה, תאים צינוריים בכליות, זרע, תאי קשקש, תאי אורותל תקינים, שמרים ואחרים. כדי לשפר עוד יותר את השימושיות, הקטגוריות המשמעותיות מבחינה אבחנתית - HGUC, תאים אורותליים לא טיפוסיים ותאים חשודים - מודגשות באמצעות צבעים מובהקים (איור 8), מה שמאפשר לפתולוגים להתמקד במהירות בתחומי עניין ללא צורך בסריקה ידנית ממצה.
יתר על כן, מודל הבינה המלאכותית מכמת את מספר התאים בכל קטגוריה שזוהתה ומשלב בצורה חלקה נתונים אלה בפלט (איור 8). ממצאים אלה מתומללים אוטומטית לדוח הפתולוגיה, ומאפשרים לפתולוג להתמקד אך ורק בסקירה, אימות וסיום המקרה. זה משפר מאוד את יעילות האבחון, מפחית את עומס העבודה הידני ומקדם עקביות ודיוק בין הדוחות.
כדי לאמן את מודל הבינה המלאכותית, נבחרו באופן אקראי 500 אזורים מתוך 150 תמונות שקופיות שלמות של דגימות ציטולוגיה של שתן. ציטופתולוגים מומחים העירו ידנית תאים באזורים אלה ל-14 קטגוריות מוגדרות מראש, כפי שתואר קודם לכן, וכתוצאה מכך למעלה מ-30,000 תאים מוערים. אזורים מ-80% מהשקופיות שימשו להדרכה, בעוד ש-20% הנותרים נשמרו לאימות. לאחר מכן הוכשר והוערך מודל זיהוי אובייקטים כדי לזהות ולסווג במדויק תאים על פני הקטגוריות המוגדרות.
בנוסף למודלים של ציטולוגיה של הערמונית והשתן, מודל הבינה המלאכותית של גסטרואנטרולוגיה זמין גם בתוכנה. מודלים אחרים, כולל סרטן שלפוחית השתן וסרטן הריאות, נמצאים בתהליך פיתוח.
איור 1: זרימת עבודה פתולוגית. (A) זרימת עבודה של פתולוגיה מסורתית. (ב) זרימת עבודה של פתולוגיה דיגיטלית. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.
איור 2: חלון כניסה. הזן דואר אלקטרוני בתיבת הדואר האלקטרוני. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.
איור 3: חלון רשימת הצטרפות. (A) סרגל הצד השמאלי מציין אפשרויות משתמש שונות. (ב) מסנן הצטרפות כדי לחפש ולמיין את המקרים. (ג) רשימת הצטרפות עם המידע של כל מקרה, כולל מספר רישום, שם מטופל, סטטוס מקרה, מספר ואיכות התמונות וכו'. במקרה זה, 4 מקרים הוקצו למשתמש. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.
איור 4: חלון סקירת פתולוגים. (A) מידע על המקרה, כולל מצב המקרה. (ב) טבלת סיכום הדגימה מספקת סיכום של כל דגימה, כולל אתר, אבחנה והערות. (ג) מידע על הדגימה מספק מידע נוסף על הדגימה. (ד) לוח הבקרה של המארז לניווט בתיק. התרשים הימני מציין אתרי ביופסיה של הערמונית ותוצאות AI (סרטן אדום, כתום-ASAP ושחור-שפיר). אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.
איור 5: חלון סקירת תמונה. (A) ספריית התמונות (סרגל הצד השמאלי) מפרטת את כל הדגימות בסדר אלפביתי עם מידע על סוג הכתם ומצבו. (B) סרגל כלים (למעלה) כדי להזיז, להוסיף הערות ולשתף את התמונות. (ג) מידע על מקרה/בינה מלאכותית (סרגל צד ימני) להוספת הערות, תקשורת עם הצוות וצפייה במשוב/פלטים של בינה מלאכותית. מקרה זה הוא ביופסיה של הערמונית עם סרטן הערמונית המוסווה על ידי AI (סרטן אדום וירוק-גליסון 4). אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.
איור 6: יציאות AI. (A) תמונה היסטולוגית. (B) משוב בינה מלאכותית, כלומר, הערכת בינה מלאכותית של תמונה, כולל אורך הגידול, ציון גליסון, קבוצת כיתות וכו'. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.
איור 7: מודל AI של הערמונית מעריך אוטומטית את התמונה של ביופסיית הערמונית ומסייע בהפקת דוחות פתולוגיה. (A) לאחר ניתוח תמונות ב-IMS. (ב) בינה מלאכותית מוציאה את התוצאות לדוח הפתולוגיה. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.
איור 8: הערכת בינה מלאכותית של שקופית ציטולוגיה בשתן. תאים אורותליים חריגים הודגשו באדום (תאי סרטן דרכי השתן בדרגה גבוהה) ובוורוד (תאים חשודים). תוצאות AI מוצגות בתוספת (בפינה הימנית העליונה). אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.
| דיוק | דיוק | רגישות | ספציפיות | ניקוד F1 |
| 97% | 96% | 98% | 96% | 97% |
טבלה 1: ביצועי מודל הבינה המלאכותית של הערמונית לאיתור אדנוקרצינומה בביופסיות של הערמונית.
דיון
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
היישום המוצלח והמדויק של FlexLIS מסתמך על מספר שלבים קריטיים בתהליך, שניתן להגדיר כגורמים פרה-אנליטיים, אנליטיים ופוסט-אנליטיים1. הגורם הפרה-אנליטי החשוב ביותר הוא איכות התמונה, המושפעת מסורקים דיגיטליים, תוויות שקופיות וצביעה. איכות ירודה של התמונות משפיעה באופן משמעותי על הערכת התמונה וביצועי הבינה המלאכותית. הגורמים האנליטיים כוללים את מהירות האינטרנט, איכות תצוגת התמונה (פיקסל ורזולוציה), יציבות התוכנה ותפעול נכון על ידי המשתמשים. הגורמים הפוסט-אנליטיים כוללים אחסון ושמירה של תמונות, גיבוי תמונה, חוסן, אבטחת נתונים ותאימות HIPAA1. מכיוון שהתוכנה תוכננה על ידי פתולוגים עבור פתולוגים, ניתן לזהות ולסמן שגיאות אנליטיות פוטנציאליות רבות בהן נתקלים בתרגול יומיומי, כולל פעולה לקויה, על ידי התוכנה כדי להבטיח ששגיאות אלו יתוקנו לפני המעבר לשלב הבא. לדוגמה, אם תמונה לא נבדקת והאבחנה לא מוזנת (איור 4), לא ניתן לסיים את המקרה.
בעוד שהתוכנה מייעלת משמעותית את זרימת העבודה, ייתכן שיהיה צורך בהתאמות או פתרון בעיות מדי פעם. לדוגמה, עלולות להיווצר פערים בין הערכות הבינה המלאכותית לבין הפרשנויות של הפתולוג. הבדלים אלה יכולים לנבוע מגורמים כמו איכות התמונה, וריאציות בטכניקות צביעת שקופיות, או נוכחות של סוגי גידולים נדירים ודפוסים היסטופתולוגיים שלא היו מיוצגים במערכי האימון הראשוניים. כדי להתמודד עם אתגרים אלה, נעשה שימוש בגישת אדם בלולאה, שבה פתולוגים מספקים משוב למודל הבינה המלאכותית. משוב זה משמש לעדכון מעת לעת של המודל בנתוני אימון חדשים ומגוונים יותר, ומשפר את הדיוק וההכללה שלו לאורך זמן. זה מבטיח שהמערכת תמשיך להתפתח ולהשתפר על סמך ניסיון קליני בעולם האמיתי.
למרות שכל מערכת LIS9, IMS ו-AI10 דווחה בעבר, FlexLIS בולטת כמערכת משולבת שלמיטב ידיעתנו, לא דווחה בעבר. חשוב מכך, מערכת משולבת זו, כולל מודלי הבינה המלאכותית שלה, שימשה מדי יום במספר שיטות פתולוגיה והוכיחה את התועלת והאמינות שלה. מערכת כזו מיועדת לשימוש במעבדות פתולוגיה שגרתיות, ולכן תומכת בטיפול ודיווח על מגוון דגימות פתולוגיה, כולל ערמונית, שלפוחית השתן, שד, ריאות, מערכת העיכול, גינקולוגיה וכו'. מערכת זו משלבת מספר תכונות בקרת איכות מבוססות בינה מלאכותית, כולל זיהוי וסימון של חפצים בתמונות (רקמה מטושטשת וחסרה), שיכולים להשפיע על דיוק האבחון. לבסוף, מערכת זו גמישה מאוד וניתנת להתאמה לצרכים הספציפיים של כל מעבדה בנפרד.
היישומים העתידיים של מערכת LIS/IMS/AI משולבת זו הם רחבים מאוד, כולל שירותים קליניים, מחקר ביו-רפואי וחינוך סטודנטים לרפואה/תושבים. הוא מציע מודול מחקר נפרד המבטיח עמידה בסטנדרטים גבוהים במחקר, כולל אלה הנדרשים על ידי מועצת הביקורת המוסדית, כגון 1) ביטול זיהוי התמונות על ידי ריקון תווית השקופית המקורית המכילה את תעודת הזהות של המטופל והקצאת מזהה מחקר חדש; 2) למיין ולסדר שקופיות ומקרים כנדרש בתכנון המחקר; 3) לתעד ולעקוב אחר אבחונים והערות של משתתפים לניתוח וסיכום נתונים וכו'.
התועלת שלו בחינוך מעידה על פרויקט הכשרת התושבים המתמשך שלנו11, המצביע על כך שסיוע בינה מלאכותית יכול להגביר את הדיוק של התושבים בזיהוי מאפיינים היסטופתולוגיים מרכזיים. מספר תכונות בתוך התוכנה המתוארת כאן, כולל ה-IMS הידידותי למשתמש ומספר רב של תמונות במערכת, גישה נשלטת של מסכות והערות AI, תכונות ChatGPT משולבות ספציפיות לפתולוגיה ויכולת שיתוף מקרים מאובטחת ונוחה, הופכות אותה לפלטפורמה שימושית הן ללמידה עצמית והן להכשרה מונחית מנטור.
נכון לעכשיו, התוכנה מתמודדת עם מספר מגבלות ואתגרים, כמו כל פלטפורמת ניהול תמונות אחרת מבוססת בינה מלאכותית1. אתגרי האינטגרציה, כולל ממשק עם EMR קיים, אחסון ואחזור של תמונות גדולות וכו', צריכים להילקח בחשבון בעת היישום. ההכללה של מודלים של בינה מלאכותית על פני מוסדות שונים, סורקים, פרוטוקולי צביעה ואוכלוסיות מטופלים, כמו גם רגישות לחפצי תמונה, שונות הכנת רקמות ודפוסי היסטולוגיה נדירים, הם כמה מגבלות הקשורות למודלים של בינה מלאכותית לפתולוגיה. לבסוף, יכולת פעולה הדדית היא אתגר נוסף של מערכות בינה מלאכותית לפתולוגיה עקב פיצול פורמטים של נתונים, טרמינולוגיה אבחנתית וכלים ספציפיים לפלטפורמה.
גילויים
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
המחברים מעורבים בפיתוח של FlexLIS. מערכת LIS/IMS, כמו גם AI, פותחה על ידי NovinoAI והיא קניינית של NovinoAI.
חומרים
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| FlexLIS | נובינו בינה מלאכותית |
מקורות
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
- Zhang, D. Y., et al. Implementation of digital pathology and artificial intelligence in routine pathology practice. Lab Invest. 104 (9), 102111(2024).
- Zhu, M., et al. Artificial intelligence in pathologic diagnosis, prognosis and prediction of prostate cancer. Am J Clin Exp Urol. 12 (4), 200-215 (2024).
- Park, S. L., et al. Anatomic pathology laboratory information systems: a review. Adv Anat Pathol. 19 (2), 81-96 (2012).
- Epstein, J. I., et al. The 2019 genitourinary pathology society (gups) white paper on contemporary grading of prostate cancer. Arch Pathol Lab Med. 145 (4), 461-493 (2021).
- Moses, K. A., et al. NCCN guidelines insights: Prostate cancer early detection, version 1.2023. J Natl Compr Canc Netw. 21 (3), 236-246 (2023).
- Bryant, R. J., et al. Local anaesthetic transperineal biopsy versus transrectal prostate biopsy in prostate cancer detection (TRANSLATE): a multicentre, randomised, controlled trial. Lancet Oncol. 21, (2025).
- Flaig, T. W., et al. NCCN guidelines insights: Bladder cancer, version 3.2024. J Natl Compr Canc Netw. 22 (4), 216-225 (2024).
- Barkan, G. A., et al. The Paris system for reporting urinary cytology: The quest to develop a standardized terminology. J Am Soc Cytopathol. 5 (3), 177-188 (2016).
- Sepulveda, J. L., et al. The ideal laboratory information system. Arch Pathol Lab Med. 137 (8), 1129-1140 (2013).
- Fu, Q., et al. Design and Implementation of Clinical LIS360 Laboratory Management System Based on AI Technology. Int J Comput Intelligence Syst. 16, 33(2023).
- Zhu, M., et al. Artificial Intelligence-Assisted Histopathology As A Training Tool For Residents. Lab Invest. 105 (3), 102736(2025).
הדפסות חוזרות והרשאות
בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה
בקש הרשאה